RAGとは？自社の資料「だけ」で答えるAIの仕組みをやさしく解説

RAG（ラグ、Retrieval-Augmented Generation／検索拡張生成）とは、AIが回答をつくる前に、あらかじめ登録された資料の中から関連する箇所を「検索」し、見つかった内容だけを根拠に回答を生成する仕組みです。汎用のチャットAIと違い、「自社の資料に書いてあることだけを答える」ように制御できるため、企業の顧客対応や社内ヘルプデスクで広く採用されています。この記事では、RAGの仕組みを専門用語をかみ砕きながら、順を追って解説します。

RAGを一言でいうと「調べてから答えるAI」

ChatGPTに代表される生成AI（文章をつくるAI）は、事前の学習で得た知識をもとに回答します。例えるなら「記憶だけを頼りに答える博識な人」です。幅広い話題に答えられる反面、自社の就業規則や自社サービスの仕様といった「学習していない情報」は知りません。さらに厄介なことに、知らない質問に対しても、それらしい文章を作ってしまうことがあります。これは「ハルシネーション」（もっともらしい誤回答）と呼ばれる、生成AIの性質に由来する現象です。

RAGは、この弱点を補うための仕組みです。例えるなら「質問を受けるたびに必ず資料棚を調べ、見つけたページだけを見ながら答える司書」のような動き方をします。回答の前に「検索」という工程を挟むことで、回答の根拠を登録された資料に限定するのがポイントです。

RAGが答えを返すまでの5ステップ

図の代わりに、1つの質問が回答になるまでの流れを番号付きで追ってみます。社内ヘルプデスクを例にします。

1. 質問を受け取る — 「退職金の支給条件を教えて」といった質問が入力されます。
2. 資料の中から関連箇所を検索する — AIが、登録済みの資料（FAQ・マニュアル・規程など）を対象に、質問と意味の近い箇所を探します。単語の一致だけでなく「意味の近さ」で探すのが特徴で、「辞めるときにもらえるお金」のような言い換えにも対応しやすくなっています。
3. 根拠となる箇所を絞り込む — 見つかった候補の中から、回答の材料として使う部分だけを選び出します。
4. 根拠に限定して回答を生成する — 生成AIに「この資料の内容だけを使って答える」という制約付きで文章を作らせます。ここが「根拠限定生成」と呼ばれる、RAGの核心部分です。
5. 回答を返す（根拠が無ければ答えない） — 十分な根拠が見つからなかった場合は、無理に答えをひねり出さず、「お答えできません。担当者にご確認ください」と案内します。

重要なのは、ステップ2の「検索」とステップ4の「生成」が分かれていることです。AIの記憶で答えるのではなく、検索で見つかった資料を材料に文章を組み立てるため、資料を差し替えれば回答も変わります。規程が改定されたら資料を更新するだけでよく、AIそのものを作り直す必要はありません。

汎用チャットAIとRAG型AIの違い

両者の違いを整理すると、次のようになります。

観点	汎用チャットAI	RAG型AI（資料限定型）
回答の根拠	学習済みの一般知識	登録した自社資料
自社固有の質問	原則答えられない（推測で答えることも）	資料にあれば答えられる
知らない質問への挙動	それらしく答えてしまうことがある	「答えられない」と案内できる
情報の更新	再学習が必要（利用者側では困難）	資料の差し替えで反映
向いている用途	個人の調べもの・文章作成	会社の窓口・ヘルプデスク

どちらが優れているかではなく、役割が違うという点が本質です。この住み分けはChatGPTと自社専用AIチャットの住み分けで詳しく整理しています。

「答えない設計」の意味

RAGの価値は「答えられること」だけではありません。「答えないこと」にも大きな価値があります。

会社の窓口では、答えられない質問が1つあることより、間違った回答を1つ返すことのほうが損失は大きくなりがちです。誤った返金条件の案内や、誤った規程の説明は、そのまま顧客トラブルや社内の混乱につながるからです。

そのためRAG型のAIチャットでは、次の3つの振る舞いをセットで設計するのが基本です。

• 資料に無いことは答えない — 根拠が見つからなければ回答しない
• 断定しすぎない — 曖昧な根拠しか無いときは言い切らない
• 人につなぐ — 答えられないときは担当者・窓口を案内する

私たちが提供するPersora Connectも、この「資料に無いことは答えず、担当者へ案内する」考え方を前提に設計しています。会社の資料を取り込むだけで、その会社の資料だけを根拠に答える専属のAIチャットとして動作します。

RAGにも限界はある

正直にお伝えすると、RAGを使えば誤回答が完全になくなるわけではありません。生成AIを使う以上、次のような限界は残ります。

• 検索が適切な箇所を見つけられないことがある（資料の書き方や質問の表現に左右される）
• 資料そのものが古い・間違っている場合、その内容のまま答えてしまう
• 根拠を要約・言い換えする工程で、不正確さが混じる可能性はゼロにならない

だからこそ、「答えられなかった質問を確認して資料を育てる」「重要な判断は人が最終確認する」といった運用との組み合わせが必要です。具体的な対策の考え方はAIチャットの誤回答（ハルシネーション）対策で解説しています。

導入を検討するときのチェックポイント

RAG型をうたうサービスを比較する際は、次の点を確認すると失敗しにくくなります。

• 回答の根拠を自社資料に限定できるか（本当にRAG型か）
• 資料に無い質問に対して「答えない・人へ案内する」挙動になっているか
• 答えられなかった質問を後から確認できる仕組みがあるか
• 資料の更新（追加・差し替え）を自社で簡単にできるか
• 入力した資料や会話がAIの学習に使われない契約になっているか

RAGは魔法ではなく、「検索して、根拠の範囲内で答える」という地に足のついた仕組みです。仕組みを正しく理解したうえで、自社の資料と運用体制に合うかを見極めることが、導入成功への近道になります。

なお「生成AI対応」と書かれていても、回答そのものを生成する方式（RAG）と、生成AIは想定問答の作成を助けるだけで回答は一問一答で返す方式があります。料金の区切り方も変わるため、生成AIチャットボットの初期費用はいくらかで実際の各社の条件を比較しています。